Применение технологий искусственного интеллекта для прогнозирования исходов и поддержки принятия врачебных решений у пациентов с подозрением на ишемическую болезнь сердца
Журавлева О. А.,
Мерзликин Б. С.,
Евдокимов Н. ,
Связова Н. Н.,
Рябова Т. Р.,
Григорьева А. Е.,
Завадовский К. В.,
Бощенко А. А.
Цель. Оценить роль клинических параметров, предтестовой вероятности (ПТВ) ишемической болезни сердца (ИБС) и факторов, ее модифицирующих, в современной российской когорте пациентов с подозрением на ИБС, в прогнозировании риска развития сердечно-сосудистых осложнений с использованием традиционных методов статистики и искусственного интеллекта (ИИ).Материал и методы. В проспективное наблюдательное исследование включено 210 пациентов (115 мужчин (54,8%), возраст 60,1±10,1 лет). Оценены ПТВ ИБС, определены уровни глюкозы, показателей липидного спектра, креатинина, проведена регистрация электрокардиограммы, ультразвуковое исследование сонных и бедренных артерий. Период проспективного наблюдения составил 21 [19-25] месяц. Сердечно-сосудистая конечная точка (СС КТ) включала сердечно-сосудистую смерть, острый коронарный синдром, реваскуляризацию миокарда. Статистический анализ выполнен с помощью пакетов программы "Statistica for Windows", 16.0 (StatSoft, USA). Построение прогностических моделей проведено с использованием языка программирования Python (версия 3.x) и библиотек машинного обучения Scikit-learn, Pandas и NumPy.Результаты. ПТВ ИБС составила 17% [11-26%]. Данные о прогнозе получены у всех пациентов (100%), СС КТ зафиксирована у 51 из них (24,3%). При проведении однофакторного анализа более высокий риск развития СС КТ был ассоциирован с ПТВ ИБС, каротидным и бедренным атеросклерозом, при использовании многофакторной регрессии Кокса – с ПТВ ИБС и бедренным атеросклерозом, чувствительность модели 63%, специфичность 64%, точность 64%, AUC 0,68, p<0,001. С использованием методов ИИ установлено, что независимыми предикторами СС КТ служили ПТВ ИБС и уровень триглицеридов (ТГ) – чувствительность модели 61%, специфичность 66,7%, точность 69%, AUC 0,70, p<0,001. Непосредственное влияние на прогноз уровень ТГ имел в когорте с ПТВ ИБС 16-23%: значение ТГ ≥1,7 ммоль/л было маркером неблагоприятного прогноза. Расчет персонального прогноза обеспечивало уравнение «вероятность СС КТ=1/(1+exp(-z))», где z=-1,5674 + (0,0592 × ПТВ ИБС, %) + (0,1871 × ТГ); значение более 0,53 (53%) свидетельствовало о неблагоприятном прогнозе.Заключение. С помощью технологий ИИ установлено, что ПТВ ИБС служит самым точным признаком первичной стратификации риска сердечно-сосудистых осложнений и персонализированного направления на специфическую диагностику при подозрении на ИБС. В дополнение к ПТВ ИБС, выявление бедренного атеросклероза ассоциировано с повышенным риском развития СС КТ. Уровень ТГ имеет дополнительное значение для принятия решения в когорте с ПТВ ИБС 16-23%.
Журавлева О. А., Мерзликин Б. С., Евдокимов Н. , Связова Н. Н., Рябова Т. Р., Григорьева А. Е., Завадовский К. В., Бощенко А. А. Применение технологий искусственного интеллекта для прогнозирования исходов и поддержки принятия врачебных решений у пациентов с подозрением на ишемическую болезнь сердца. Российский кардиологический журнал. 2026;31(2S):6909. https://doi.org/10.15829/1560-4071-2026-6909
1. Федеральная служба государственной статистики. Здравоохранение в России. 2025. Статистический сборник. М.: Росстат, 2025. 149 с.
2. Барбараш О. Л., Карпов Ю. А., Панов А. В. и др. Стабильная ишемическая болезнь сердца. Клинические рекомендации 2024. Российский кардиологический журнал. 2024;29(9):6110. doi:10.15829/1560-4071-2024-6110. EDN: HHJJUT.
3. Foldyna B, Udelson JE, Karády J, et al. Pretest probability for patients with suspected obstructive coronary artery disease: re-evaluating Diamond-Forrester for the contemporary era and clinical implications: insights from the PROMISE trial. Eur Heart J Cardiovasc Imaging. 2019;20(5):574-81. doi:10.1093/ehjci/jey182.
4. Vrints C, Andreotti F, Koskinas KC, et al. 2024 ESC Guidelines for the management of chronic coronary syndromes. European Heart Journal. 2024;45(36):3415-537. doi:10.1093/eurheartj/ehae177.
5. Steyerberg EW. Clinical Prediction Models: A Practical Approach to Development, Validation, and Updating. 2nd ed. Springer International Publishing. 2019. 558 p. doi:10.1007/9783-030-16399-0.
6. Vabalas A, Gowen E, Poliakoff E, et al. Machine learning algorithm validation with a limited sample size. PLoS One. 2019;14(11):e0224365. doi:10.1371/journal.pone.0224365.
7. Petmezas G, Stefanopoulos L, Kilintzis V, et al. State-of-the-art deep learning methods on electrocardiogram data: systematic review. JMIR Med Inform. 2022;10:e38454. doi:10.2196/38454.
8. Berchialla P, Foltran F, Bigi R, et al. Integrating stress-related ventricular functional and angiographic data in preventive cardiology: a unified approach implementing a Bayesian network. J Eval Clin Pract. 2012;18(3):637-43. doi:10.1111/j.1365-2753.2011.01651.x.
9. Ковелькова М. Н., Яковлева Е. Г. Системы искусственного интеллекта в профилактике и диагностике сердечно-сосудистой патологии в России (систематический обзор). Сибирский журнал клинической и экспериментальной медицины. 2025;40(1):28-41. doi:10.29001/2073-8552-2025-40-128-41. EDN: ZKPMNP.
10. Симонян М. А., Калюта Т. Ю., Генкал Е. Н. и др. Предтестовая вероятность ишемической болезни сердца как фактор оптимизации инвазивной диагностики в реальной клинической практике. Российский кардиологический журнал. 2022;27(1):4765. doi:10.15829/1560-4071-2022-4765. EDN: JUNIYL.
11. Laclaustra M, Casasnovas JA, Fernandez-Ortiz A, et al. Femoral and Carotid Subclinical Atherosclerosis Association With Risk Factors and Coronary Calcium: The AWHS Study. J Am Coll Cardiol. 2016;67(11):1263-74. doi:10.1016/j.jacc.2015.12.056.
12. Dalager S, Falk E, Kristensen IB, et al. Plaque in superficial femoral arteries indicates generalized atherosclerosis and vulnerability to coronary death: an autopsy study. J Vasc Surg. 2008;47(2):296-302. doi:10.1016/j.jvs.2007.10.037.
13. Журавлева О. А., Рябова Т. Р., Врублевский А. В. и др. Прогностическое значение стресс-эхокардиографии, выполненной по расширенному протоколу, при стабильной ишемической болезни сердца. Кардиология. 2024;64(4): 22-30. doi:10.18087/cardio.2024.4.n2572. EDN: KVVBHN.
14. Ежов М. В., Кухарчук В. В., Сергиенко И. В. и др. Нарушения липидного обмена. Клинические рекомендации 2023. Российский кардиологический журнал. 2023;28(5):5471. doi:10.15829/1560-4071-2023-5471. EDN: YVZOWJ.
15. Marston NA, Giugliano RP, Im K, et al. Association Between Triglyceride Lowering and Reduction of Cardiovascular Risk Across Multiple Lipid-Lowering Therapeutic Classes: A Systematic Review and Meta-Regression Analysis of Randomized Controlled Trials. Circulation. 2019;140(16):1308-17. doi:10.1161/circulationaha.119.041998.
Документы
Источник
Информация
Автор
Журавлева О. А.
Научно-исследовательский институт кардиологии, ФГБНУ Томский национальный исследовательский медицинский центр Российской академии наук
Мерзликин Б. С.
ФГАОУ ВО Национальный исследовательский Томский политехнический университет
Евдокимов Н.
ФГАОУ ВО Национальный исследовательский Томский политехнический университет
Связова Н. Н.
Научно-исследовательский институт кардиологии, ФГБНУ Томский национальный исследовательский медицинский центр Российской академии наук
Рябова Т. Р.
Научно-исследовательский институт кардиологии, ФГБНУ Томский национальный исследовательский медицинский центр Российской академии наук
Григорьева А. Е.
ФГБОУ ВО Сибирский государственный медицинский университет
Завадовский К. В.
Научно-исследовательский институт кардиологии, ФГБНУ Томский национальный исследовательский медицинский центр Российской академии наук
Бощенко А. А.
Научно-исследовательский институт кардиологии, ФГБНУ Томский национальный исследовательский медицинский центр Российской академии наук
